Asistencia Técnica en Palmira Valle del Cauca - 2017

Usos del Machine Learning en Agricultura

Datos

• Fuente de datos: datos.gov.co
• Última compilación de este documento: 2020-02-16.

Objetivos

Metodología

1. Importación de datos
2. Depuración, estructuración e integración de datos
   2.1 Selección de variables de interés.
   2.2 Unificación de mayúsuculas a minúsculas.
   2.3 Unificación de niveles de factores (variables categóricas).
   2.4 Eliminación de símbolos en variables numéricas.
   2.5 Coerción de variables.
   2.6 Edición de nombres de variables (no se tienen en cuenta tildes por viabilidad de análisis).
   2.7 Filtrado de datos atípicos (errados) para variables químicas y físicas de suelo. Este filtro se aplicó basado en literatura y percentiles.
3. Información general
4. Análisis descriptivo
   
5. Análisis exploratorio
6. Machine Learning
7. Referencias

Resultados

1. Lectura de datos

datos1 %>% 
  group_by(Corregimiento) %>%
  count() %>% ggplot(data = ., aes(x = reorder(Corregimiento, n), y = n)) +
  geom_col() + 
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

datos2 <- datos1 %>% 
  select(crto = Corregimiento,
         vereda = Vereda.Sector,
         area_ha = Area..Has.,
         altitud = Altura.M.S.N.M.,
         temperatura = T...C.,
         pluvi = Pp..Mm.Año.,
         suelo = Tipo.Suelo,
         pendiente = Pendiente,
         niv_tecno = Nivel.Tecnlogico,
         predio = Tenencia.del.predio,
         agua_propia = Agua.Propia,
         acueducto = Acueducto,
         electri = Energ.Electrica,
         gas_natural = Gas.Natural,
         internet = E.Internet,
         analysis_suelo = Analisis.De.Suelos,
         cultivo = Cultivo,
         variedad = Variedad,
         area_cultivada = Area.Cultivada..Has.,
         prodn_kg = Produccion..Kg.,
         p_mercado = X..Al.Mercado,
         venta = Forma.Venta,
         pago = Forma.Pago,
         especie = Especie,
         raza = Raza,
         animales = Numero,
         prodn_animal = Produccion,
         longitud = Longitud..W.,
         latitud = Latitud..N.) %>% 
  mutate(area_ha = as.numeric(as.character(gsub(",", ".", area_ha))),
         altitud = as.numeric(as.character(gsub(",", ".", altitud))),
         temperatura = as.numeric(as.character(gsub(",", ".", temperatura))),
         pluvi = as.numeric(as.character(gsub(",", ".", plavi))),
         area_cultivada = as.numeric(as.character(gsub(",", ".", area_cultivada))),
         prodn_kg = as.numeric(as.character(gsub(",", ".", prodn_kg))),
         p_mercado = as.numeric(as.character(gsub(",", ".", p_mercado))))

Error in gsub(",", ".", plavi) : objeto 'plavi' no encontrado

library(plotly)
ggplotly(
  gadm_plot(col0) +
  xlim(-76.5, -76) +
  ylim(3.2, 3.8) +
  geom_point(data = datos2 %>% filter(longitud < 0) %>%
               filter(cultivo == "Plátano"),
             aes(x = longitud, y = latitud, color = prodn_kg)) +
  labs(title = "Producción en kg de plátano",
       subtitle = "Palmira, Valle del Cauca")
)